Метеорологическая засуха, характеризующаяся дефицитом атмосферной влаги, представляет собой широко распространённую угрозу для экосистем, сельского хозяйства и водных ресурсов. Хотя стандартизированный индекс осадков (Standardized Precipitation Index, SPI), индекс засухи, обусловленной испарительным спросом (Evaporative Demand Drought Index, EDDI), и стандартизированный индекс осадков и испарения (Standardized Precipitation Evapotranspiration Index, SPEI) являются устоявшимися инструментами мониторинга, дефицит глобальных долгосрочных прогнозных наборов данных ограничивает возможности по оценке рисков засухи в условиях глобального потепления. В представленной работе авторы разработали новый глобальный набор данных по метеорологической засухе (GHM_drought) с пространственным разрешением 0,5° за период 1961–2100 гг., полученный из набора данных Climatic Research Unit (CRU) и 16 моделей Coupled Model Intercomparison Project Phase 6 (CMIP6) с коррекцией смещения. Этот набор данных рассчитывает SPI, EDDI и SPEI на основе единой структуры, обеспечивая согласованность и сопоставимость между индексами. Кроме того, набор данных предоставляет несколько временных масштабов накопления (1, 3, 6, 9, 12 месяцев и 1 год) и несколько сценариев, включая исторические (1961–2024 гг.) и будущие сценарии общего социально-экономического пути SSP1-2.6, SSP2-4.5 и SSP5-8.5 (2025–2100 гг.). Крайне важно, что набор данных предоставляет диапазоны неопределённости для будущих прогнозов, что повышает надёжность. Результаты валидации показывают, что GHM_drought надёжно отражает исторические засушливые события и сохраняет высокую согласованность с существующими эталонными наборами данных. Для будущих прогнозов применяемый метод квантильного отображения на основе пороговых значений эффективно корректирует систематические ошибки. GHM_drought способствует глобальному мониторингу и прогнозированию засух, тем самым поддерживая оценку климатических рисков и адаптацию.

Ссылка: https://www.nature.com/articles/s41597-026-08068-4

Городское население особенно уязвимо к смертности и заболеваемости, связанным с жарой. Градостроительство, учитывающее климатические особенности, которое может включать в себя создание зелёных и водных зон, потенциально может компенсировать последствия изменения климата. По сравнению с зелёными зонами, влиянию водных зон на температуру в городах уделяется сравнительно мало внимания, и существует неопределённость относительно величины городского охлаждения. В этом исследовании авторы разработали модель энергетического баланса для оценки теплового воздействия каналов и применили её к сети каналов Великобритании и Ирландии. Было показано, что моделируемая сеть каналов обеспечивает средний годовой дневной охлаждающий эффект ~0,8 °C (0,7–1 °C) в непосредственной близости от сети каналов, с более выраженным охлаждением весной и в начале лета (~1,2–1,4 °C) и во время аномальной жары (~1,5–2,3 °C). Хотя тепловое воздействие не всегда бывает положительным, полученные результаты показывают, что каналы могут улучшить тепловой комфорт и снизить риск перегрева, что, в свою очередь, положительно сказывается на здоровье и благополучии населения.

Ссылка: https://www.nature.com/articles/s41467-026-75731-0

Многолетняя мерзлота Северного полушария хранит вдвое больше углерода, чем атмосфера. По мере оттаивания многолетней мерзлоты из-за глобального потепления она становится потенциальным источником выбросов метана, вызванных микробным разложением органического углерода почвы в болотистых местах, что может привести к дальнейшему потеплению. Чжу и др. (Zhu et al.) сообщают, что выбросы метана в Сибири увеличивались примерно на 5% в год с 2010 года из-за сочетания пожаров и таяния многолетней мерзлоты. Прогнозируется, что этот источник метана станет ещё более важным по мере дальнейшего потепления климата.

Северный регион многолетней мерзлоты, который хранит вдвое больше углерода, чем атмосфера, уязвим к ускоренному потеплению. Выбросы метана из тающей многолетней мерзлоты в конечном итоге могут привести к обратной связи между климатом и углеродом. Авторский анализ данных об атмосферном метане показывает, что выбросы метана в Сибири в течение вегетационного периода увеличились на 12,0 ± 1,9 тераграммов метана (ТгCH4) (5% в год) за период 2010–2023 гг. Были выявлены контрастные гидрологические тенденции в Сибири, связанные с системами высокого давления и различными взаимодействиями между атмосферой, морем и сушей. Более тёплые и сухие условия в Восточной Сибири усиливают выбросы, связанные с пожарами (0,7 ± 0,1 ТгCH4 год⁻²), а более влажные условия в Западной Сибири способствуют выбросам, связанным с водно-болотными угодьями (0,4 ± 0,1 ТгCH4 год⁻²). Слабо нелинейные зависимости между максимальными температурами и выбросами предполагают, что к 2050 году более высокие выбросы в Сибири могут компенсировать около 20% глобального сокращения метана, необходимого для достижения климатических целей, при этом Восточная Сибирь будет доминировать в прогнозируемом увеличении.

Ссылка: https://www.science.org/doi/10.1126/science.aea5828

Краткосрочные изменения морского ледяного покрова в Арктике (МЛП) в значительной степени обусловлены погодными условиями, и сильная потеря льда обычно происходит во время интенсивных арктических циклонов, вызывающих необычно тёплые и штормовые условия. Такие условия затягиваются, когда несколько циклонов быстро сменяют друг друга. Авторы анализируют изменения МЛП в такие периоды кластеризации последовательных циклонов, используя спутниковые наблюдения и данные реанализа за 1979-2024 гг. Хотя циклоны, как правило, уменьшают МЛП по сравнению с условиями без циклонов, кластеры циклонов влияют на лёд примерно в 2,5 раза дольше и вызывают в два раза более сильное общее снижение МЛП, чем одиночные циклоны. Величина потери МЛП из-за кластеров циклонов зависит от интенсивности и числа кластеризованных циклонов, и усиление потери МЛП наблюдается в период 2004-2024 гг. по сравнению с 1979-1999 гг., даже в рамках фиксированных категорий МЛП. Эти результаты подчёркивают значимость совокупного воздействия скоплений погодных явлений для изменчивости морского льда в Арктике и указывают на необходимость понимания факторов, определяющих последовательное образование скоплений циклонов в Арктике.

Ссылка: https://www.nature.com/articles/s41467-026-76245-5

Явления Эль-Ниньо обычно развиваются медленно, но быстро затухают, однако процессы, вызывающие эту фазовую асимметрию, остаются недостаточно изученными. В данной работе авторы проводят анализ теплового баланса смешанного слоя на глубинах от 30 до 100 м и предлагают диагностическую модель с разрешением по глубине. Результаты показывают, что асимметрия возникает из-за термодинамического затухания, океанической зональной адвекции и обратной связи термоклина. Термодинамическое затухание в основном отражает пассивный линейный отклик на аномалии температуры поверхности моря, в то время как сезонная модуляция эффективности затухания добавляет усиление фазы затухания. Динамические обратные связи сильно меняются с глубиной и усиливаются в течение концентрированного периода года затухания, обусловленного корректировкой океанических волн и сезонно изменяющимися фоновыми условиями. Диагностика с учётом глубины показывает, что асимметрия фазы Эль-Ниньо зависит от вертикальной структуры теплового баланса, предоставляя физический ориентир для интерпретации эволюции Эль-Ниньо –Южного Колебания и выявления потенциальных предвестников, которые могут быть полезны для систем прогнозирования Эль-Ниньо.

Ссылка: https://www.nature.com/articles/s41612-026-01498-2

Искусственный интеллект (ИИ) стал ключевым фактором городского развития в цифровую эпоху. В то же время неравномерное развитие ИИ в разных городах создаёт новый «цифровой разрыв». Будучи одной из стран-пионеров в развитии ИИ, Китай воспользовался возможностями, которые предоставляет развитие ИИ в городах, одновременно столкнувшись с проблемой регионального разрыва в развитии ИИ. Это создаёт уникальный контекст для направления и пространственного распределения регионального развития ИИ. Однако существующие оценки индексов развития ИИ в масштабе городов, как правило, используют один показатель и имеют ограничения, такие как недостаточная релевантность показателя, короткий период охвата и отсутствие оценки регионального разрыва в развитии ИИ. В данном исследовании был создан набор данных для оценки индекса развития ИИ в масштабе китайских городов, включающий 283 города, а также набор данных о региональном разрыве в развитии ИИ в масштабе 26 провинций за период с 2003 по 2023 гг. Эти наборы данных охватывали комплексную систему показателей и метод оценки, включающие три метрики: число предприятий, занимающихся ИИ, число заявок на патенты и плотность установки промышленных роботов, а также использовали метод коэффициента Дагума-Джини для оценки регионального индекса разрыва в развитии ИИ. Эти наборы данных позволяют всесторонне оценить ситуацию и тенденции развития ИИ в китайских городах и региональный разрыв в развитии ИИ, предоставляя данные для академических исследований, связанных с региональным развитием ИИ, и для разработки государственной политики.

Ссылка: https://www.nature.com/articles/s41597-026-08024-2

Изменение количества осадков в зависимости от высоты (Elevation-Dependent Precipitation Change, EDPC) всё чаще признаётся ключевой особенностью изменения климата в горных районах, однако его глобальные характеристики и представление в климатических моделях остаются недостаточно изученными. В данной работе авторы оценивают способность современных глобальных климатических моделей воспроизводить EDPC и давать прогнозы его будущей эволюции. Они анализируют высотные тенденции среднегодовых, интенсивных и экстремальных суточных осадков за исторический (1951–2020 гг.) и будущий (2015–2099 гг.) периоды в пяти горных регионах — Тибетском плато, Скалистых горах США, Большом Альпийском регионе, северных Андах и южных Андах — используя 28 моделей CMIP6 и данные реанализа ERA5 в качестве эталона. Результаты моделирования анализируются с помощью кластерного подхода для выявления групп моделей, демонстрирующих схожие закономерности EDPC. Результаты показывают межмодельную изменчивость, при этом состав кластеров различается в зависимости от регионов и индексов осадков. В течение исторического периода наблюдаются различные структуры поведения EDPC: в некоторых регионах (например, на Тибетском плато) по крайней мере один кластер точно воспроизводит профиль ERA5, тогда как в других (например, в Андах и Скалистых горах США) ни один кластер не соответствует ERA5. Прогнозы показывают зависимость сигналов EDPC от региона и кластера, что препятствует надёжной характеристике будущего EDPC. Модели, которые наилучшим образом воспроизводят поведение EDPC в рамках ERA5, не ограничивают прогнозируемые будущие изменения. Тем не менее, принадлежность к кластерам остаётся стабильной во всех сценариях выбросов (SSP2–4,5 и SSP5–8,5), при этом величина EDPC усиливается в сценарии с более высокими выбросами, что указывает на модуляцию интенсивностью изменения климата. Наконец, хотя среднее значение ансамбля нескольких моделей достаточно хорошо воспроизводит данные ERA5 в исторический период, оно, как правило, переоценивает изменения осадков в прогнозах, подчёркивая ценность кластеризации для оценки EDPC в прогнозах климатических моделей.

Ссылка: https://link.springer.com/article/10.1007/s00382-026-08292-z

Пространственно-временные изменения арктического морского ледового покрова являются одним из ключевых индикаторов изменения полярного климата. В данном исследовании использовались данные реанализа NOAA/NSIDC Climate Data Record of Passive Microwave Sea Ice Concentration, Version 5, and Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2) для количественного анализа пространственно-временных закономерностей и основных факторов изменений площади, начала таяния и плотности арктического морского льда в период с 1979 по 2025 гг. Результаты показывают значительное сокращение площади морского льда: ежегодное уменьшение составляет 1,98 × 10⁴ км², а плотность снижается со скоростью 2,6% за десятилетие. Плотность на границе ледового покрова падает ниже 25% с июня по сентябрь. Пространственные различия выражены особенно сильно: наиболее интенсивное сокращение площади морского льда наблюдается в регионах Гренландии и Баренцева моря, в то время как центральная Арктика остаётся относительно стабильной. Частота наличия многолетнего ледового покрова снизилась с 6,7% до 3,5%, что привело к изменению структуры морского льда с «преобладания толстого льда» на «преобладание тонкого льда». Данное исследование обеспечивает научную основу для раннего предупреждения об изменении климата в Арктике и разработки региональных стратегий адаптации.

Ссылка: https://www.mdpi.com/2073-4433/17/8/764

В данной работе представлен эталонный набор данных наблюдаемых и смоделированных временных рядов количества осадков для 70 дождемеров в бассейне реки Арно (центральная Италия). Для каждой станции набор данных включает: (i) 20 лет непрерывных 15-минутных и суточных наблюдений за осадками; (ii) 2000-летний синтетический ряд суточных осадков, сгенерированный с использованием стохастической модели CoSMoS-2s; и (iii) соответствующий 2000-летний синтетический 15-минутный ряд, полученный путём мультифрактальной канонической дезагрегации, откалиброванной по наблюдаемым кривым интенсивности-длительности-частоты. Интегрированная модель позволяет генерировать ряды осадков с интервалом менее часа из суточных данных. Хотя ARNO-RAIN предназначен специально для бассейна реки Арно, этот подход может быть перенесён на другие регионы с аналогичной доступностью данных. ARNO-RAIN — это воспроизводимый, хорошо документированный и общедоступный набор данных, предназначенный для поддержки сравнительного анализа, оценки и сопоставления стохастических генераторов осадков и методов дезагрегации. Набор данных дополняется метаданными станций и блокнотами для проверки достоверности, что повышает прозрачность и способствует воспроизводимости исследований.

Ссылка: https://www.nature.com/articles/s41597-026-07991-w

Прогнозирование загрязнения городского воздуха является важной задачей защиты общественного здоровья и управления окружающей средой, которая продолжает оставаться актуальной из-за сложных нелинейных взаимодействий между выбросами, метеорологией, переносом и атмосферной химией. Современные методы глубокого обучения были разработаны для непосредственного улучшения краткосрочной точности прогнозирования путём изучения пространственно-временных корреляций на основе исторических данных. Однако эти основанные на данных, часто неявные подходы, по сути, обходят стороной химические процессы. Следовательно, они, как правило, плохо работают при изменении режима, то есть в условиях высокого уровня загрязнения, фотохимически активных условиях и ненаблюдаемых метеорологических закономерностях, что ограничивает их надёжность и интерпретируемость. В этой статье предложена AtmosChemNet-AI, структура глубокого обучения, учитывающая кинетику реакций, чтобы обойти эти ограничения и позволить сообществу специалистов по атмосферным наукам прогнозировать динамику загрязнения городской атмосферы. Этот новый метод включает в себя дескрипторы-прокси, учитывающие кинетику реакций, посредством построения признаков на основе кинетики, кинетически обусловленного управления в пространственно-временной модели последовательности и регуляризации, ограниченной физическими параметрами, во время обучения. В совокупности эти механизмы ограничивают обучение представлений химически осуществимой эволюцией загрязняющих веществ, сохраняя при этом выразительность современных глубоких нейронных сетей. Валидация проводится для ряда загрязняющих веществ, горизонтов прогнозирования и режимов работы с использованием реальных данных, наблюдений за качеством городского воздуха и метеорологического реанализа. Экспериментальная оценка на рассматриваемых наборах данных, горизонтах прогнозирования и при сравнении с базовыми показателями демонстрирует устойчивое улучшение прогностической эффективности, включая относительное снижение средней абсолютной ошибки и среднеквадратичной ошибки на 15–20%, а также более высокие коэффициенты детерминации. Анализ абляции и режимов подтверждает вывод о том, что знание кинетики реакций повышает устойчивость во время событий с высоким уровнем загрязнения, в благоприятных для реакции условиях и в необученных метеорологических режимах. Основные результаты показывают, что включение знаний о кинетике реакций в модели глубокого обучения значительно повышает точность, стабильность и обобщающую способность прогнозов. Данная структура представляет собой перспективную основу для будущих приложений прогнозирования качества воздуха в реальном времени и поддержки принятия решений в области охраны окружающей среды в городах, при условии дальнейшей проверки на практике и оценки на системном уровне.

Ссылка: https://www.nature.com/articles/s41598-026-64476-x